For Better Performance Please Use Chrome or Firefox Web Browser

Survival Analysis

Comments

درمدل های رگرسون پارامتری به چه دلیل توزیع ایکس ها توزیع وایبل در نظر گرفته شده است؟آیا می توان با توزیع های دیگر مدل را برازش دهیم؟

توزیع وایبل از مهم ترین توزیع ها در قابلیت اعتماد است.که به عنوان توزیع طول عمر به کار میرود.توزیع وایبل همان توزیع نمایی است که این توزیع هم مهمترین توزیع طول عمراست.در ضمن تابع مخاطره آن هم فرم ساده ایی دارد.و چون حالت های نزولی، صعودی و مقدار ثابت را میپذیرد، انعطاف بالایی دارد.در ضمن تعمیم هایی از توزیع وایبل مانند وایبل نمایی شده، بتا وایبل و... نیز مطالعه شده اند که به نسبت انعطاف بیشتری دارند.

در تحلیل بقا به دنبال یافتن عبارت ساده ای از تابع بقا برای نیکویی برازش مدل مورد استفاده هستیم . توزیع وایبل به دلیل اینکه دارای فرم ریاضی ساده ای برای تابع بقا وتابع خطر است عمومیت بیشتری دارد.وبرای قسمت دوم سوالتون عرض کنم که بله، از توزیع های بسیاری استفاده می شود مثل نمایی، لگ نرمال،لگ لجستیک و...

آیا در داده های بقا ممکن است که نقطه پایان مشخص نباشد؟

در آنالیز بقاء، به مطالعه گروهی از افراد پرداخته می شود که برای تک تک آنها یک رویداد لحظه ای، به نام شکست، تعریف می شود.داده های بقاء در حقیقت زمان های شکست را از یک لحظه ورود تعریف شده تا وقوع یک رویداد نهایی اندازه گیری می کنند.تعیین دقیق زمان شکسعت مستلزم آنست که: الف - معنی و مفهوم شکست کاملاً واضح باشد. ب - یک مبدأ زمانی برای هر یک از افراد مورد مطالعه تعریف شده باشد. ج - یک مقیاس برای اندازه گیری زمان تعیین شده باشد. در صورتی که سانسور وجود داشته باشد، زمان شکست را نمیتوان مشاهده کرد.

در انجام محاسبات آیا دانستن نوع سانسور موثر است؟؟

پارامتر های مدل را درصورتی که بدانیم از چه نوع سانسوری استفاده شده است میتوانیم برآورد کنیم. نوع سانسور مشخص کننده نحوه برآورد های مدل در تحلیل های بقا است.

در تحلیل داده ها دانستن نوع وجنس داده ها برای انتخاب مدل و توزیع مناسب برای برازش مدل از اهمیت ویژه ای برخوردار است.در اینجا نیز برای بدست اوردن براورد حداکثر درستنمایی،تابع بقا ونرخ خطر... ملزم به دانستن نوع سانسور برای انجام محاسبات می باشیم

با توجه به اینکه در واقیت نمیتوان همیشه تصور کرد که داده های طول عمر توزیع معلوم ومشخصی مثلا مثل توزیع وایبل دارند،برای براود خطر مرگ در لحظه تی از چه مدل رگرسیونی میتوان استفاده کرد؟ آیا در این حالت هم مدل خطرات متناسب جوابگو هست؟

ما متناسب با داده های طول عمر می توانیم توزیع پارامتری یا مدل رگرسیونی پارامتری را به داده ها برازش دهیم .مثلا براورد های پارامتری به خوبی با انواع سانسور کار میکنند ولی برای متغییرهای کمکی وابسته به زمان مناسب نیستند که پیشنهاد می شود از مدل های نیمه پارامتری مثل مدل رگرسیونی کاکس استفاده شود .که این مدل نیز معایبی دارد که در براورد کردن ظاهر می شود وقتی متغییرهای کمکی وابسته به زمان با تکرار رخدادها به عنوان متغیرهای ورودی مورد استفاده قرار می گیرد

چه تفاوتی بین مدل های شکست شتابیده ای اف تی ومدل های مخاطرات متناسب وجود دارد وکاربرد کدام بهتراست؟

چه تفاوتی بین دادهای سانسور شده وبرش یافته درتحلیل بقا وجوددارد؟

Add new comment

Plain text

  • Allowed HTML tags: <a> <em> <strong> <cite> <blockquote> <code> <ul> <ol> <li> <dl> <dt> <dd> <br> </br> <br/>
  • Web page addresses and e-mail addresses turn into links automatically.
CAPTCHA
This question is for testing whether you are a human visitor and to prevent automated spam submissions.
Image CAPTCHA
Enter the characters shown in the image.